Compensación de radiación dispersa en radiografía digital a través del aprendizaje automático: resultados preliminares

• N. Sakaltras ^[1] ; F. A. Tovar ^[1] ; C. Martinez ^[1] ; C. F. Del Cerro ^[1] ; M. Desco ^[2] ; M. Abella ^[3]
  1. [1] Universidad Carlos III de Madrid

     Universidad Carlos III de Madrid

     Madrid, España

     
  2. [2] Instituto de Investigación Sanitaria Gregorio Marañón

     Instituto de Investigación Sanitaria Gregorio Marañón

     Madrid, España

     
  3. [3] Centro Nacional de Investigaciones Cardiovasculares Carlos III

     Centro Nacional de Investigaciones Cardiovasculares Carlos III

     Madrid, España

     

  Mostrar afiliaciones +
• Localización: XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica. CASEIB 2020: Libro de actas / Roberto Hornero Sánchez (ed. lit.), Jesús Poza Crespo (ed. lit.), Carlos Gómez Peña (ed. lit.), María García Gadañón (ed. lit.), 2020, ISBN 978-84-09-25491-0, págs. 73-76
• Idioma: español
• Enlaces
  • Texto Completo Libro
• Resumen

  • La dispersión de los rayos X reduce significativamente la resolución de contraste de la imagen en radiografía digital de tórax. La estrategia convencional para la reducción de la radiación dispersa es el uso de rejillas antidifusoras que, aunque mejoran la calidad de la imagen, aumentan la dosis de radiación absorbida por el paciente y plantean problemas en técnicas no estándar. En este trabajo, proponemos un método de corrección de la radiación dispersa basado en técnicas de aprendizaje profundo, que adopta una red neuronal convolucional de arquitectura U-net con 4 bloques tanto en el codificador como en el decodificador. Debido a la falta de pares de adquisiciones reales con y sin rejilla antidifusoras, se realizaron simulaciones de Monte Carlo para generar los datos de entrenamiento. El presente estudio demuestra el potencial del método propuesto, con un error inferior al 5%.